面向可复现科学研究的 AI 研究工作台 —— 开源、本地优先、与模型无关。
AIPOCH Open-Science 是面向科学家与研究者的 AI 研究工作台，由 AIPOCH 开发，采用开源、本地优先、与模型无关的设计理念。它通过科研智能体（scientific AI agents）、Python 与 R 执行环境、科学数据连接器，以及对 macOS、Windows 和 Linux 的跨平台支持，使可复现、可审查的研究成为可能。创建一个项目，用自然语言描述你的研究目标，让智能体读取文件、检索网页、运行代码、查询科研数据源，并产出带有可追溯来源的报告、表格与图表 —— 所有工作都在同一个工作空间中完成。
AIPOCH Open-Science 支持跨学科的计算密集型与数据密集型研究，涵盖机器学习、统计学、生命科学、化学、材料科学、物理以及环境科学等领域。它为科研全流程提供支持：从文献综述与假设构建，到代码执行、数据分析、模拟、可视化，再到产出可追溯的研究成果。
💡 AIPOCH Open-Science v0.32.0 已发布 (最后更新于 2026 年 9 月)。AIPOCH Open-Science v0.32.0 让 PDF 证据具备持久性，并使成果物导出具备互操作性：持久化批注与按文件管理的文档笔记（document notebook），可将文字样式、区域标记、注释、评论、颜色与标签与其所属的文件版本一同保留，在不改动源文件字节的前提下导出为带批注 PDF 或 Markdown/CSV；经验证的成果物版本现已打包为完整的 RO-Crate 归档，并附带其精确输入。序列与组学工作流新增异步 NCBI BLAST 检索、可获取 ENA 测序原始提交文件的运行发现、PRIDE 项目文件清单，以及按基因或物种检索 UniProt 蛋白数据的能力。安装本地 PDF 解析模型不再依赖单一下载源，这归功于经验证的镜像源；能力选择（capability selection）可指向自托管的自定义分类服务；无人值守的 CLI 运行可被禁止等待人工介入。借助批处理恢复、延迟执行的 Markdown 任务以及更轻量的观察者开销，启动速度与长时间对话的运行速度均得到提升。完整细节请参阅最新发布说明。
目录
🚀 快速开始
1. 下载应用
打开最新发布页，展开 Assets，选择适合你电脑的安装包：
| 你的电脑 | 选择 |
|---|---|
| macOS 12+ —— Apple Silicon（M1 或更新） | 适用于 Apple Silicon / ARM64 的 macOS DMG |
| macOS 12+ —— Intel | 适用于 Intel / x64 的 macOS DMG |
| Windows x64 | 适用于 Windows x64 的安装包 |
| Linux x64 | 适用于 Linux x64 的 AppImage 或 Debian 包 |
请从官方发布页下载；如有必要，可参阅下载校验说明。
在 macOS 上，你也可以使用 Homebrew 安装：
brew install --cask open-scienceWindows 端的重装会保留研究数据。如需完全清理，请参阅数据重置工具，该工具会在确认后永久删除本地数据。
2. 完成首次设置
按设置向导依次进行：环境 → 数据位置 → 智能体运行时 → 模型提供方 → Notebook 运行时。
完成必要的环境与智能体运行时检查，并测试你的模型连接。Python/R Notebook 设置为可选项；Notebook 与数据位置设置可在之后更改。
主机兼容性、存储与网络检查
提供方、API Key、端点与模型验证3. 启动研究项目
- 点击 New project（新建项目），打开一个会话，描述你的研究目标、输入与预期输出。
- 附加文件，选择模型与审批模式，然后发送任务。使用
@引用项目中的文件，或使用/选择一项技能（skill）。 - 审阅工具活动与任何审批请求，预览结果，并在 Provenance（来源） 中查看可用证据。
本 README 中的截图用于说明工作流。标签、目录以及其他界面细节可能与你安装的版本略有不同。
产品演示
从研究请求到可追溯的结果
以一项具有代表性的生物信息学任务为例：复现一篇已发表的差异表达分析，将重新生成的结果与论文进行比对，并交付审阅所需的报告、表格与图表。下面的截图来自 AIPOCH Open-Science 已记录的工作流中的典型视图，用于说明各个阶段，而非一次完整连续的会话。
1. 定义研究任务与证据
描述研究问题、源论文与数据集、所需方法或阈值、预期输出以及验收标准。上传支撑文件，或使用 @ 引用已有的项目成果物，使智能体从明确的输入出发，而非依赖隐式上下文。
2. 使用可审查的科研工具执行
智能体可在共享的 Notebook 中组合使用科研技能、受权限管控的研究连接器、检索、文件操作以及 Python 或 R 代码。生成的图表可与研究摘要并列查看，而成果物记录（artifact record）会展示所捕获的生成代码与执行证据，便于审查。
3. 就地审阅报告、表格与图表
最终回复会总结哪些结果得到复现、哪些出现差异，以及哪些限制值得关注。生成的 Markdown 报告、CSV 表格、图片以及其他研究成果物会保留在会话中，并汇集到项目文件库，可在会话旁预览，并复用于后续工作。
4. 将每个成果物追溯到其证据
每个生成的成果物都会以不可变、带校验和（checksum）的版本进行存储。其 Provenance（来源） 视图可展示生成代码与执行历史、所引用的输入、观测到的环境清单、生成该结果的会话分支，以及与版本绑定的审阅者（Reviewer）发现。无法验证的证据会被标记为不可用，而非凭空推断。
基准性能
🏆 在 BiomniBench-DA Public 50 上排名第一
AIPOCH Open-Science 在整理后的 BiomniBench-DA Public 50 对比中取得了最高排名分数，使用 gpt-5.6-sol (xhigh) 获得 79.05 分。该结果由 Gemini 3.1 Pro 评审给出的 81.04 分与 DeepSeek v4-pro 评审给出的 77.06 分按等权平均合并而成，使 AIPOCH Open-Science 在所收集的 Public 50 结果中位列 #1。请查阅 BiomniBench-DA 数据集。
